Une base de données vectorielle est un système de stockage conçu pour ranger l'information non pas par mots-clés ou par lignes et colonnes, mais par sens. Chaque document, image ou phrase y est représenté par un vecteur : une longue liste de nombres (un embedding) qui capture sa signification. Imaginez une immense bibliothèque où les livres ne sont plus classés par ordre alphabétique, mais par proximité d'idées : tous les textes parlant de « médecine » se retrouvent côte à côte, même sans partager un seul mot commun.
Du texte au vecteur
Un modèle d'embedding transforme un morceau de texte en un point dans un espace à plusieurs centaines (voire milliers) de dimensions. Deux concepts proches sémantiquement sont proches géométriquement. La requête de l'utilisateur est elle aussi vectorisée, puis on cherche les vecteurs les plus proches.
La proximité se mesure souvent par la similarité cosinus :
$$\text{sim}(\vec{a}, \vec{b}) = \frac{\vec{a} \cdot \vec{b}}{|\vec{a}|\,|\vec{b}|}$$
La recherche approximative (ANN)
Comparer une requête à des millions de vecteurs un par un serait trop lent. Les bases vectorielles utilisent donc des index de recherche approximative des plus proches voisins (ANN), comme HNSW ou IVF, qui sacrifient un peu de précision pour une vitesse considérable.
| Recherche classique | Recherche vectorielle |
|---|---|
| Correspondance exacte de mots-clés | Correspondance par le sens |
| « chat » ≠ « félin » | « chat » ≈ « félin » |
| Index inversé | Index ANN (HNSW, IVF) |
Pourquoi c'est central pour l'IA
Les bases vectorielles sont le moteur du RAG (Retrieval-Augmented Generation) : avant de répondre, un LLM récupère les passages pertinents d'une base documentaire pour ancrer sa réponse dans des faits. Elles alimentent aussi la recherche sémantique, les recommandations et la mémoire à long terme des agents. Exemples : Pinecone, Weaviate, Milvus, Qdrant, ou l'extension pgvector de PostgreSQL.
Sans base vectorielle, un LLM ne sait que ce qu'il a mémorisé ; avec elle, il sait où chercher.